Artificial neural networks to estimate the physical-mechanical properties of amazon second cutting cycle wood
Keywords:
Artificial intelligence, modeling, timber potential, tropical wood, wood technologyAbstract
Timber from the second cutting cycle may make up the majority of future crop volumetric. However, there are few studies of the physical and mechanical properties of this timber, which are important to support the consolidation of new species. This study aimed to use Artificial Neural Networks to estimate the physical and mechanical properties of wood from the Amazon, based on basic density. The properties were: shrinkage (tangential, radial and volumetric), static bending, parallel and perpendicular to the fiber compression, parallel and transverse to the fibers, Janka hardness, traction, splitting and shear. The estimate followed the tendency of the data observed for the tangential, radial and volumetric shrinkage. The network estimated the mechanical properties with significant accuracy. Distribution of errors, static bending, parallel compression and perpendicular to the fiber compression also showed significant accuracy. Artificial Neural Networks can be used to estimate the physical and mechanical properties of wood from Amazon species.
Downloads
Download data is not yet available.
References
Abruzzi, R.C.;Pires, M.R.;Dedavid, B.A.;Kalil, S.B., 2012. Relação das propriedades mecânicas e densidade de postes de madeira de eucalipto com seu estado de deterioração. Revista Árvore 36: 1173–1182.
Adeodato, S.;Villela, M.;Betiol, L.S.;Monzoni, M., 2011. End to end wood: the way from the forest to the consumer, FGV RAE. São Paulo.
Almeida, A.N. De;Angelo, H.;Silva, J.C.G.L. Da;Hoeflich, V.A., 2010. Mercado de madeiras tropicais: substituição na demanda de exportação. Acta Amazonica 40: 119–126.
Araújo, H.J.B. de, 2007. Relações funcionais entre propriedades físicas e mecânicas de madeiras tropicais brasileiras. Floresta 37: 399–416.
Armstrong, J.P.;Skaar, C.;deZeeuw, C., 1984. The effect of specific gravity on several mechanical properties of some world woods. Wood Science and Technology 18: 137–146.
Ashraf, M.I.;Meng, F.-R.;Bourque, C.P. -a.;MacLean, D. a., 2015. A Novel Modelling Approach for Predicting Forest Growth and Yield under Climate Change. Plos One 10:, e0132066.
Avramidis, S.;Iliadis, L., 2005. Wood-water sorption isotherm prediction with artificial neural networks: A preliminary study. Holzforschung 59: 336–341.
Avramidis, S.;Iliadis, L.;Mansfield, S.D., 2006. Wood dielectric loss factor prediction with artificial neural networks. Wood Science and Technology 40: 563–574.
Beltrame, R.;Souza, J.T. De;Machado, W.G.;Vivian, M.A.;Buligon, E.A.;Pauleski, D.T.;Gatto, D.A.;Haselein, C.R., 2010. Propriedades físico-mecânicas da madeira de Araucaria angustifolia (Bertol.) em três estratos fitossociológicos. Ciência da Madeira 1: 54–69.
BRASIL. Instrução Normativa 05/2006. Ministério do Meio Ambiente. Procedimentos técnicos para elaboração, apresentação, execução e avaliação técnica de Planos de Manejo Florestal Sustentável-PMFSs nas florestas primitivas e suas formas de sucessão na Amazônia Legal. 2006.
Chauhan, S.S.;Walker, J.C.F., 2006. Variations in acoustic velocity and density with age, and their interrelationships in radiata pine. Forest Ecology and Management 229: 388–394.
Diamantopoulou, M.J.;Ozçelik, R.;Crecente-Campo, F.;Eler, U., 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods. Biosystems Engineering 133: 33–45.
dos Reis, P.C.M.;Reis, L.P.;Ruschel, A.R.;Silva, J.N.M.;de Carvalho, J.O.P.;de Queiroz, W.T., 2014. Effect of timber harvesting on density and basal area of lecythidaceae species in the eastern amazon. Floresta 44: 229–238.
Esteban, L.G.;Fernández, F.G.;de Palacios, P., 2009. MOE prediction in Abies pinsapo Boiss. timber: Application of an artificial neural network using non-destructive testing. Computers and Structures 87: 1360–1365.
LABORATÓRIO DE PRODUTOS FLORESTAIS (LPF). Madeiras Brasileiras. 2016. Disponível em: http: // sistemas. florestal.gov.br/ madeirasdobrasil/ caracteristicas.php?ID=80&caracteristica=271 > Acesso em: 10 out. 2016.
Leite, H.G.;Binoti, D.H.B.;Oliveira Neto, R.R. de;Lopes, P.F.;Castro, R.R. De;Paulino, E.J.;Binoti, M.L.M. da S.;Colodette, J.L., 2016. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis 44: 149–154.
Lisboa, C.D.J.;Matos, J.L.M. de;Melo, J.E. de, 1993. Amostragem e propriedades físico-mecânicas de madeiras amazônicas. IBAMA, Brasília.
Lobão, M.S.;Della Lúcia, R.M.;Moreira, M.S.S.;Gomes, A., 2004. Caracterização das propriedades físico-mecânicas da madeira de eucalipto com diferentes densidades. Revista Árvore 28: 889–894.
Panshin, A.J.;Zeeuw, C. de, 1980. Textbook of wood technology., 4th ed. McGraw-Hill Book Co., New York.
Peres, M.L. de;Gatto, D.A.;Stangerlin, D.M.;Calegari, L.;Beltrame, R.;Haselein, C.R.;Santini, E.J., 2012. Idade de segregação do lenho juvenil e adulto pela variação da massa específica de açoita-cavalo. Ciência Rural 42: 1596–1602.
Poubel, D.D.S.;Garcia, R.A.;Latorraca, J.V.D.F.;Carvalho, A.M. De, 2011. Estrutura Anatômica e Propriedades Físicas da Madeira de Eucalyptus pellita F. Muell Dallyene. Floresta e Ambiente 18: 117–126.
Protásio, T. de P.;Guimarães Júnior, J.B.;Mendes, R.F.;Mendes, L.M.;Guimarães, B.M.R., 2012. Correlações Entre as Propriedades Físicas e Mecânicas de Painéis Aglomerados de Diferentes Espécies de Eucalyptus. Floresta e Ambiente 19: 123–132.
Reis, L.P.;de Souza, A.L.;Mazzei, L.;dos Reis, P.C.M.;Leite, H.G.;Soares, C.P.B.;Torres, C.M.M.E.;da Silva, L.F.;Ruschel, A.R., 2016. Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural networks. Forest Ecology and Management 382: 161–167.
Reis, L.P.;dos Reis, P.C.M.;Ruschel, A.R.;Silva, J.N.M.;de Carvalho, J.O.P.;de Souza, A.L.;Soares, M.H.M.;Miyahara, R.K.N., 2015. Forest dynamics in the eastern Amazon with special reference to sapotaceae species. Floresta 45: 567–576.
Reis, L.P.;Ruschel, A.R.;Coelho, A.A.;Luz, A.S. Da;Martins-da-Silva, R.C.V., 2010. Avaliação do potencial madeireiro na Floresta Nacional do Tapajós após 28 anos da exploração florestal. Pesquisa Florestal Brasileira 30: 265–281.
Richards, M.;McDonald, A.J.S.;Aitkenhead, M.J., 2008. Optimisation of competition indices using simulated annealing and artificial neural networks. Ecological Modelling 214: 375–384.
Reis, L.P.;de Souza, A.L.; dos Reis, P.C.M.; Mazzei, L.; Soares, C. O. B.; Torres, C.M.M.E.; da Silva, L.F.; Ruschel, A.R; Rêgo, L. S.; Leite, H.G., 2018. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, 112: 140-147.
Silva, I.N.;Spatti, D.H.;Flauzino, R.A., 2010. Redes Neurais Artificiais: Para Engenharia e Ciências Aplicadas. ARTLIBER, São Paulo.
StaSoft Inc, 2016. StatSoft [WWW Document]. Statistica Data analysis software system,version 13. URL http://www.statsoft.com/
Tiryaki, S.;Aydın, A., 2014. An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model. Construction and Building Materials 62: 102–108.
Zhang, S.Y.;Zhong, Y., 1992. Structure-property relationship of wood in East-Liaoning oak. Wood Science and Technology 26: 139–149.
Adeodato, S.;Villela, M.;Betiol, L.S.;Monzoni, M., 2011. End to end wood: the way from the forest to the consumer, FGV RAE. São Paulo.
Almeida, A.N. De;Angelo, H.;Silva, J.C.G.L. Da;Hoeflich, V.A., 2010. Mercado de madeiras tropicais: substituição na demanda de exportação. Acta Amazonica 40: 119–126.
Araújo, H.J.B. de, 2007. Relações funcionais entre propriedades físicas e mecânicas de madeiras tropicais brasileiras. Floresta 37: 399–416.
Armstrong, J.P.;Skaar, C.;deZeeuw, C., 1984. The effect of specific gravity on several mechanical properties of some world woods. Wood Science and Technology 18: 137–146.
Ashraf, M.I.;Meng, F.-R.;Bourque, C.P. -a.;MacLean, D. a., 2015. A Novel Modelling Approach for Predicting Forest Growth and Yield under Climate Change. Plos One 10:, e0132066.
Avramidis, S.;Iliadis, L., 2005. Wood-water sorption isotherm prediction with artificial neural networks: A preliminary study. Holzforschung 59: 336–341.
Avramidis, S.;Iliadis, L.;Mansfield, S.D., 2006. Wood dielectric loss factor prediction with artificial neural networks. Wood Science and Technology 40: 563–574.
Beltrame, R.;Souza, J.T. De;Machado, W.G.;Vivian, M.A.;Buligon, E.A.;Pauleski, D.T.;Gatto, D.A.;Haselein, C.R., 2010. Propriedades físico-mecânicas da madeira de Araucaria angustifolia (Bertol.) em três estratos fitossociológicos. Ciência da Madeira 1: 54–69.
BRASIL. Instrução Normativa 05/2006. Ministério do Meio Ambiente. Procedimentos técnicos para elaboração, apresentação, execução e avaliação técnica de Planos de Manejo Florestal Sustentável-PMFSs nas florestas primitivas e suas formas de sucessão na Amazônia Legal. 2006.
Chauhan, S.S.;Walker, J.C.F., 2006. Variations in acoustic velocity and density with age, and their interrelationships in radiata pine. Forest Ecology and Management 229: 388–394.
Diamantopoulou, M.J.;Ozçelik, R.;Crecente-Campo, F.;Eler, U., 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods. Biosystems Engineering 133: 33–45.
dos Reis, P.C.M.;Reis, L.P.;Ruschel, A.R.;Silva, J.N.M.;de Carvalho, J.O.P.;de Queiroz, W.T., 2014. Effect of timber harvesting on density and basal area of lecythidaceae species in the eastern amazon. Floresta 44: 229–238.
Esteban, L.G.;Fernández, F.G.;de Palacios, P., 2009. MOE prediction in Abies pinsapo Boiss. timber: Application of an artificial neural network using non-destructive testing. Computers and Structures 87: 1360–1365.
LABORATÓRIO DE PRODUTOS FLORESTAIS (LPF). Madeiras Brasileiras. 2016. Disponível em: http: // sistemas. florestal.gov.br/ madeirasdobrasil/ caracteristicas.php?ID=80&caracteristica=271 > Acesso em: 10 out. 2016.
Leite, H.G.;Binoti, D.H.B.;Oliveira Neto, R.R. de;Lopes, P.F.;Castro, R.R. De;Paulino, E.J.;Binoti, M.L.M. da S.;Colodette, J.L., 2016. Redes Neurais Artificiais para a estimação da densidade básica da madeira. Scientia Forestalis 44: 149–154.
Lisboa, C.D.J.;Matos, J.L.M. de;Melo, J.E. de, 1993. Amostragem e propriedades físico-mecânicas de madeiras amazônicas. IBAMA, Brasília.
Lobão, M.S.;Della Lúcia, R.M.;Moreira, M.S.S.;Gomes, A., 2004. Caracterização das propriedades físico-mecânicas da madeira de eucalipto com diferentes densidades. Revista Árvore 28: 889–894.
Panshin, A.J.;Zeeuw, C. de, 1980. Textbook of wood technology., 4th ed. McGraw-Hill Book Co., New York.
Peres, M.L. de;Gatto, D.A.;Stangerlin, D.M.;Calegari, L.;Beltrame, R.;Haselein, C.R.;Santini, E.J., 2012. Idade de segregação do lenho juvenil e adulto pela variação da massa específica de açoita-cavalo. Ciência Rural 42: 1596–1602.
Poubel, D.D.S.;Garcia, R.A.;Latorraca, J.V.D.F.;Carvalho, A.M. De, 2011. Estrutura Anatômica e Propriedades Físicas da Madeira de Eucalyptus pellita F. Muell Dallyene. Floresta e Ambiente 18: 117–126.
Protásio, T. de P.;Guimarães Júnior, J.B.;Mendes, R.F.;Mendes, L.M.;Guimarães, B.M.R., 2012. Correlações Entre as Propriedades Físicas e Mecânicas de Painéis Aglomerados de Diferentes Espécies de Eucalyptus. Floresta e Ambiente 19: 123–132.
Reis, L.P.;de Souza, A.L.;Mazzei, L.;dos Reis, P.C.M.;Leite, H.G.;Soares, C.P.B.;Torres, C.M.M.E.;da Silva, L.F.;Ruschel, A.R., 2016. Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural networks. Forest Ecology and Management 382: 161–167.
Reis, L.P.;dos Reis, P.C.M.;Ruschel, A.R.;Silva, J.N.M.;de Carvalho, J.O.P.;de Souza, A.L.;Soares, M.H.M.;Miyahara, R.K.N., 2015. Forest dynamics in the eastern Amazon with special reference to sapotaceae species. Floresta 45: 567–576.
Reis, L.P.;Ruschel, A.R.;Coelho, A.A.;Luz, A.S. Da;Martins-da-Silva, R.C.V., 2010. Avaliação do potencial madeireiro na Floresta Nacional do Tapajós após 28 anos da exploração florestal. Pesquisa Florestal Brasileira 30: 265–281.
Richards, M.;McDonald, A.J.S.;Aitkenhead, M.J., 2008. Optimisation of competition indices using simulated annealing and artificial neural networks. Ecological Modelling 214: 375–384.
Reis, L.P.;de Souza, A.L.; dos Reis, P.C.M.; Mazzei, L.; Soares, C. O. B.; Torres, C.M.M.E.; da Silva, L.F.; Ruschel, A.R; Rêgo, L. S.; Leite, H.G., 2018. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecological Engineering, 112: 140-147.
Silva, I.N.;Spatti, D.H.;Flauzino, R.A., 2010. Redes Neurais Artificiais: Para Engenharia e Ciências Aplicadas. ARTLIBER, São Paulo.
StaSoft Inc, 2016. StatSoft [WWW Document]. Statistica Data analysis software system,version 13. URL http://www.statsoft.com/
Tiryaki, S.;Aydın, A., 2014. An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model. Construction and Building Materials 62: 102–108.
Zhang, S.Y.;Zhong, Y., 1992. Structure-property relationship of wood in East-Liaoning oak. Wood Science and Technology 26: 139–149.
Downloads
Published
2018-07-01
How to Cite
Marques dos Reis Reis, P. C., Lopes de Souza, A., Pequeno Reis, L., Ladeira Carvalho, A. M. M., Mazzei, L., Julienne Sousa Rêgo, L., & Garcia Leite, H. (2018). Artificial neural networks to estimate the physical-mechanical properties of amazon second cutting cycle wood. Maderas. Ciencia Y Tecnología, 20(3), 343–352. Retrieved from https://revistas.ubiobio.cl/index.php/MCT/article/view/3124
Issue
Section
Article
